- 博客(7)
- 收藏
- 关注
RSS订阅原创 segformer和bevformer对比
特性BEVFormer（多目）假设BEVFormer（单目）输入环绕车辆的多摄像头图像单个摄像头图像输出BEV范围360度无盲区仅限于该摄像头视野对应的扇形区域，存在巨大盲区3D几何精度高，通过多视角三角测量低，依赖单目深度估计，不确定性高核心能力真正的3D场景重建与理解受限的、基于学习的2D到3D映射实用价值适用于L3+级自动驾驶实用性大打折扣，不适用于安全苛求的系统BEVFormer 必须输入多目图像才能发挥其设计价值。
2025-12-06 21:00:00
745
原创 SNE方法计算逆深度优势
但是，注意：在深度值很大的时候，逆深度值很小，其梯度也很小。所以并不是说逆深度在远处的绝对值变化更大，而是说在透视投影下，逆深度与像素的视差直接相关，而视差在场景中的分布更均匀，从而使得逆深度梯度在整体图像上具有更好的数值性质。然而，这里的关键点在于：在透视投影中，逆深度与视差（disparity）成正比，而视差在立体视觉中与深度成反比，且视差图在远处变化更均匀。：在深度不连续的区域（如物体边缘），深度图会有很大的梯度，而逆深度在这些区域的变化相对平滑，因此计算逆深度的梯度可能更稳定。
2025-11-22 18:43:15
501
转载 SLAM第二篇：视觉里程计
转载自：SLAM第二篇：视觉里程计 | ExBot易科机器人实验室 http://blog.exbot.net/archives/2546上一讲中，我们介绍了组成SLAM系统的各个模块。以后，我们会详细介绍各模块的主要算法步骤，以及各种方法的特点和优势。本讲主要关注视觉里程计。为了讲清楚它的来龙去脉，我们会进行一些公式的推导。视觉里程计算法需要大量的几何知识，我们将在必要的时候，以
2017-06-08 11:30:04
3919
转载 SLAM第一篇：基础知识
转载自：SLAM第一篇：基础知识 | ExBot易科机器人实验室 http://blog.exbot.net/archives/2515原文发表于地平线公众号Simultaneous Localization and Mapping即时定位与地图构建技术无论在室内、野外、空中还是水下SLAM是机器人进入未知环境遇到的第一个问题本期给大家介绍SLAM
2017-06-08 11:23:48
1422
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人